Secure multi-label data classification in cloud by additionally homomorphic encryption

در بسیاری از برنامه های کاربردی، یک نمونه با مجموعه ای از برچسب ها همراه است. با این وجود، الگوریتم طبقه بندی سنتی به طور کلی فرض می کند که یک نمونه دارای یک برچسب است و نمی تواند برای طبقه بندی نمونه چند لایک مناسب باشد. بنابراین یادگیری چند لایهای برای پیش بینی برچسب های مرتبط با مثال با چندین برچسب طبقه بندی نشده ارائه شده است. امروزه، بسیاری از روش های یادگیری چند لایک پیشنهاد شده اند، متاسفانه، تمام روش های یادگیری چند لایک موجود، مسئله حفاظت از اطلاعات حساس از موارد خصوصی را در نظر نمی گیرند. در این مقاله، ما یک طرح برای طبقه بندی ایمن چند برچسب بر روی داده های رمز شده در ابر پیشنهاد می دهیم. طرح ما می تواند وظیفه طبقه بندی چند لایتی را به سرورهای ابر منتقل کند که به طور چشمگیری باعث کاهش بار ذخیره سازی و محاسبه مالکیت داده ها و کاربران داده ها می شود. بر اساس شواهد نظری، طرح ما می تواند از اطلاعات حریم خصوصی صاحبان داده ها و کاربران داده محافظت کند؛ سرورهای ابر نمی توانند در مورد داده های ورودی و نتایج طبقه بندی چندگانه خروجی یاد بگیرند. علاوه بر این، پیچیدگی محاسبات ما و هزینه های ارتباطی را به صورت جزئی تجزیه و تحلیل می کنیم و آزمایش های شبیه سازی را برای ارزیابی زمان محاسبه طرح پیشنهادی ما انجام می دهیم.